目錄
- 簡介
- 創建ndarray
- ndarray的屬性
- ndarray中元素的類型轉換
- ndarray的數學運算
- index和切片
- 基本使用
- index with slice
- boolean index
- Fancy indexing
- 數組變換
簡介
NumPy一個非常重要的作用就是可以進行多維數組的操作，多維數組對象也叫做ndarray。我們可以在ndarray的基礎上進行一系列復雜的數學運算。
本文將會介紹一些基本常見的ndarray操作，大家可以在數據分析中使用。
創建ndarray
創建ndarray有很多種方法，我們可以使用np.random來隨機生成數據：
import numpy as np
# Generate some random data
data = np.random.randn(2, 3)
data
array([[ 0.0929, 0.2817, 0.769 ],
[ 1.2464, 1.0072, -1.2962]])
除了隨機創建之外，還可以從list中創建：
data1 = [6, 7.5, 8, 0, 1]
arr1 = np.array(data1)
array([6. , 7.5, 8. , 0. , 1. ])
從list中創建多維數組：
data2 = [[1, 2, 3, 4], [5, 6, 7, 8]]
arr2 = np.array(data2)
array([[1, 2, 3, 4],
[5, 6, 7, 8]])
使用np.zeros創建初始值為0的數組：
np.zeros(10)
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
創建2維數組：
np.zeros((3, 6))
array([[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0., 0.]])
使用empty創建3維數組：
np.empty((2, 3, 2))
array([[[0., 0.],
[0., 0.],
[0., 0.]],
[[0., 0.],
[0., 0.],
[0., 0.]]])
注意，這里我們看到empty創建的數組值為0，其實并不是一定的，empty會從內存中隨機挑選空間來返回，并不能保證這些空間中沒有值。所以我們在使用empty創建數組之后，在使用之前，還要記得初始化他們。
使用arange創建范圍類的數組：
np.arange(15)
array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
指定數組中元素的dtype：
arr1 = np.array([1, 2, 3], dtype=np.float64)
arr2 = np.array([1, 2, 3], dtype=np.int32)
ndarray的屬性
可以通過data.shape獲得數組的形狀。
通過ndim獲取維數信息：
可以通過data.dtype獲得具體的數據類型。
data.dtype
dtype('float64')
ndarray中元素的類型轉換
在創建好一個類型的ndarray之后，還可以對其進行轉換：
arr = np.array([1, 2, 3, 4, 5])
arr.dtype
dtype('int64')
float_arr = arr.astype(np.float64)
float_arr.dtype
dtype('float64')
上面我們使用astype將int64類型的ndarray轉換成了float64類型的。
如果轉換類型的范圍不匹配，則會自動進行截斷操作：
arr = np.array([3.7, -1.2, -2.6, 0.5, 12.9, 10.1])
arr.astype(np.int32)
array([ 3, -1, -2, 0, 12, 10], dtype=int32)
注意，這里是把小數截斷，并沒有向上或者向下取整。
ndarray的數學運算
數組可以和常量進行運算，也可以和數組進行運算：
arr = np.array([[1., 2., 3.], [4., 5., 6.]])
arr * arr
array([[ 1., 4., 9.],
[16., 25., 36.]])
arr + 10
array([[11., 12., 13.],
[14., 15., 16.]])
arr - arr
array([[0., 0., 0.],
[0., 0., 0.]])
1 / arr
array([[1. , 0.5 , 0.3333],
[0.25 , 0.2 , 0.1667]])
arr ** 0.5
array([[1. , 1.4142, 1.7321],
[2. , 2.2361, 2.4495]])
數組之間還可以進行比較，比較的是數組中每個元素的大小：
arr2 = np.array([[0., 4., 1.], [7., 2., 12.]])
arr2 > arr
array([[False, True, False],
[ True, False, True]])
index和切片
基本使用
先看下index和切片的基本使用，index基本上和普通數組的使用方式是一樣的，用來訪問數組中某一個元素。
切片要注意的是切片后返回的數組中的元素是原數組中元素的引用，修改切片的數組會影響到原數組。
# 構建一維數組
arr = np.arange(10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# index訪問
arr[5]
5
# 切片訪問
arr[5:8]
array([5, 6, 7])
# 切片修改
arr[5:8] = 12
array([ 0, 1, 2, 3, 4, 12, 12, 12, 8, 9])
# 切片可以修改原數組的值
arr_slice = arr[5:8]
arr_slice[1] = 12345
arr
array([ 0, 1, 2, 3, 4, 12, 12345, 12, 8,
9])
# 構建二維數組
arr2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
arr2d[2]
array([7, 8, 9])
# index 二維數組
arr2d[0][2]
3
# index二維數組
arr2d[0, 2]
3
# 構建三維數組
arr3d = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
arr3d
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
# index三維數組
arr3d[0]
array([[1, 2, 3],
[4, 5, 6]])
# copy是硬拷貝，和原數組的值相互不影響
old_values = arr3d[0].copy()
arr3d[0] = 42
arr3d
array([[[42, 42, 42],
[42, 42, 42]],
[[ 7, 8, 9],
[10, 11, 12]]])
arr3d[0] = old_values
arr3d
array([[[ 1, 2, 3],
[ 4, 5, 6]],
[[ 7, 8, 9],
[10, 11, 12]]])
# index 三維數組
arr3d[1, 0]
array([7, 8, 9])
x = arr3d[1]
x
array([[ 7, 8, 9],
[10, 11, 12]])
x[0]
array([7, 8, 9])
index with slice
slice還可以作為index使用，作為index使用表示的就是一個index范圍值。
作為index表示的slice可以有多種形式。
有頭有尾的，表示index從1開始到6-1結束：
arr[1:6]
array([ 1, 2, 3, 4, 64])
無頭有尾的，表示index從0開始，到尾-1結束：
arr2d[:2]
array([[1, 2, 3],
[4, 5, 6]])
有頭無尾的，表示從頭開始，到所有的數據結束：
arr2d[:2, 1:]
array([[2, 3],
[5, 6]])
arr2d[1, :2]
array([4, 5])
boolean index
index還可以使用boolean值，表示是否選擇這一個index的數據。
我們先看下怎么構建一個boolean類型的數組：
names = np.array(['Bob', 'Joe', 'Will', 'Bob', 'Will', 'Joe', 'Joe'])
names == 'Bob'
array([ True, False, False, True, False, False, False])
上面我們通過比較的方式返回了一個只包含True和False的數組。
這個數組可以作為index值來訪問數組：
# 構建一個7 * 4 的數組
data = np.random.randn(7, 4)
array([[ 0.275 , 0.2289, 1.3529, 0.8864],
[-2.0016, -0.3718, 1.669 , -0.4386],
[-0.5397, 0.477 , 3.2489, -1.0212],
[-0.5771, 0.1241, 0.3026, 0.5238],
[ 0.0009, 1.3438, -0.7135, -0.8312],
[-2.3702, -1.8608, -0.8608, 0.5601],
[-1.2659, 0.1198, -1.0635, 0.3329]])
# 通過boolean數組來訪問：
data[names == 'Bob']
array([[ 0.275 , 0.2289, 1.3529, 0.8864],
[-0.5771, 0.1241, 0.3026, 0.5238]])
在索引行的時候，還可以索引列：
data[names == 'Bob', 3]
array([0.8864, 0.5238])
可以用 ~符號來取反：
data[~(names == 'Bob')]
array([[-2.0016, -0.3718, 1.669 , -0.4386],
[-0.5397, 0.477 , 3.2489, -1.0212],
[ 0.0009, 1.3438, -0.7135, -0.8312],
[-2.3702, -1.8608, -0.8608, 0.5601],
[-1.2659, 0.1198, -1.0635, 0.3329]])
我們可以通過布爾型數組設置值，在實際的項目中非常有用：
data[data 0] = 0
array([[0.275 , 0.2289, 1.3529, 0.8864],
[0. , 0. , 1.669 , 0. ],
[0. , 0.477 , 3.2489, 0. ],
[0. , 0.1241, 0.3026, 0.5238],
[0.0009, 1.3438, 0. , 0. ],
[0. , 0. , 0. , 0.5601],
[0. , 0.1198, 0. , 0.3329]])
data[names != 'Joe'] = 7
array([[7. , 7. , 7. , 7. ],
[0. , 0. , 1.669 , 0. ],
[7. , 7. , 7. , 7. ],
[7. , 7. , 7. , 7. ],
[7. , 7. , 7. , 7. ],
[0. , 0. , 0. , 0.5601],
[0. , 0.1198, 0. , 0.3329]])
Fancy indexing
Fancy indexing也叫做花式索引，它是指使用一個整數數組來進行索引。
舉個例子，我們先創建一個 8 * 4的數組：
arr = np.empty((8, 4))
for i in range(8):
arr[i] = i
arr
array([[0., 0., 0., 0.],
[1., 1., 1., 1.],
[2., 2., 2., 2.],
[3., 3., 3., 3.],
[4., 4., 4., 4.],
[5., 5., 5., 5.],
[6., 6., 6., 6.],
[7., 7., 7., 7.]])
然后使用一個整數數組來索引，那么將會以指定的順序來選擇行：
arr[[4, 3, 0, 6]]
array([[4., 4., 4., 4.],
[3., 3., 3., 3.],
[0., 0., 0., 0.],
[6., 6., 6., 6.]])
還可以使用負值來索引：
arr[[-3, -5, -7]]
array([[5., 5., 5., 5.],
[3., 3., 3., 3.],
[1., 1., 1., 1.]])
花式索引還可以組合來使用：
arr = np.arange(32).reshape((8, 4))
arr
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23],
[24, 25, 26, 27],
[28, 29, 30, 31]])
上面我們構建了一個8 * 4的數組。
arr[[1, 5, 7, 2], [0, 3, 1, 2]]
array([ 4, 23, 29, 10])
然后取他們的第2列的第一個值，第6列的第三個值等等。最后得到一個1維的數組。
數組變換
我們可以在不同維度的數組之間進行變換，還可以轉換數組的軸。
reshape方法可以將數組轉換成為任意的形狀：
arr = np.arange(15).reshape((3, 5))
arr
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
數組還提供了一個T命令，可以將數組的軸進行對調：
arr.T
array([[ 0, 5, 10],
[ 1, 6, 11],
[ 2, 7, 12],
[ 3, 8, 13],
[ 4, 9, 14]])
對于高維數組，可以使用transpose來進行軸的轉置：
arr = np.arange(16).reshape((2, 2, 4))
arr
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7]],
[[ 8, 9, 10, 11],
[12, 13, 14, 15]]])
arr.transpose((1, 0, 2))
array([[[ 0, 1, 2, 3],
[ 8, 9, 10, 11]],
[[ 4, 5, 6, 7],
[12, 13, 14, 15]]])
上面的transpose((1, 0, 2)) 怎么理解呢？
其含義是將x，y軸對調，z軸保持不變。
上面我們通過使用reshape((2, 2, 4))方法創建了一個3維，也就是3個軸的數組。 其shape是 2 * 2 * 4 。
先看下對應關系：
（0，0）-》 [ 0, 1, 2, 3]
（0，1）-》 [ 4, 5, 6, 7]
（1，0）-》 [ 8, 9, 10, 11]
（1，1）-》 [12, 13, 14, 15]
轉換之后：
（0，0）-》 [ 0, 1, 2, 3]
（0，1）-》 [ 8, 9, 10, 11]
（1，0）-》[ 4, 5, 6, 7]
（1，1）-》 [12, 13, 14, 15]
于是得到了我們上面的的結果。
多維數組的軸轉換可能比較復雜，大家多多理解。
還可以使用 swapaxes 來交換兩個軸，上面的例子可以重寫為：
到此這篇關于NumPy實現ndarray多維數組操作的文章就介紹到這了,更多相關NumPy ndarray多維數組操作內容請搜索腳本之家以前的文章或繼續瀏覽下面的相關文章希望大家以后多多支持腳本之家！
您可能感興趣的文章:- numpy 聲明空數組詳解
- Numpy將二維數組添加到空數組的實現
- 在NumPy中創建空數組/矩陣的方法
- 如何在向量化NumPy數組上進行移動窗口
- 如何將numpy二維數組中的np.nan值替換為指定的值
- 解決numpy數組互換兩行及賦值的問題
- python 將numpy維度不同的數組相加相乘操作
- python numpy.power()數組元素求n次方案例
- Python 用NumPy創建二維數組的案例
- Numpy ndarray 多維數組對象的使用
- 淺談Python numpy創建空數組的問題
